摘 要：智能调度是实现制造系统高效运作、制造资源与生产任务高效配置的重要保障，是实现制造业数字化网络化智能化的重要途径。从智能调度全局出发，进一步对前人综述研究进行深化和外延，运用可视化工具 CiteSpace 软件，通过检索 Web of Science 核心数据库，获取 2012—2021 年间收录的以“智能调度”为主题的 50610 条文献。基于知识图谱把握智能调度领域的学科演化性质、分析领域研究热点、探索重要集群性质、挖掘重大突现、洞察结构变异性，提出一种基于知识图谱的研究领域综述分析路径与方法。最后指出柔性作业车间重调度、节能调度、异构分布式协同调度系统、新型群智能优化算法等是智能调度领域的发展方向。
关键词：智能调度;知识图谱;文献计量学;可视化分析;统计分析
0 引言
随着 5G 与物联网技术的快速发展，如今已呈现“万物感知、万物互联、万物智能”的发展新趋势[1]。2015 年李克强总理在结合现代智能制造、工业制造 4.0 与物联网等基础上，提出“互联网+”的战略规划[2]。此外，我国为推动新型智能技术与制造技术的融合发展制定发布了“互联网+”和《中国制造 2025》等一系列顶层设计文件，以促进我国制造业转型升级。“中国制造 2025”的核心是创新驱动发展，主攻方向是智能制造技术，最终实现制造业的数字化、网络化、智能化升级。制造业利用大数据、云计算等新兴技术[3-4]，针对逐渐兴起的个性化定制和协同分布模式，构建多种制造类型的调度算法库，提供智能调度方案[5]，为实现制造系统的高效运作、制造资源与生产任务的高效配置提供坚实保障。
智能调度[1]是指基于人工智能技术，依靠集自主感知、学习、分析、决策和协调控制于一体的智能化设备[6,7]，通过互联网进行企业生产的动态协同自适应管理活动，达到快速响应市场、高效组织生产、满足用户需求的生产目标，促使制造系统向大数据和智能化方向转变。由此可知，智能调度是智能制造系统运行的核心。智能制造系统中的绝大部分调度问题均属于 NP-hard 组合优化问题(Non-polynomial completeproblems)。智能调度方法的研究可分为以下 3 个主要阶段：
第 1 阶段为数学规划方法，它将调度问题简化为数学规划模型，通常运用整数规划、动态规划等方法解决调度最优化或近似优化问题，例如混合整数线性规划法[8]、混合整数非线性规划法[9]、拉格朗日松弛法[10]等，是一种精确求解的方法，但复杂多变的因素会使得算法的重用性较弱，且存在求解空间大、计算困难等问题。第 2 阶段为启发式搜索方法，克服了数学规划方法计算繁琐的问题，依据无关信息来简化搜索过程，可看作系统化地构造解的过程，例如分区算法、本地搜索技术[11]等，但是解的质量较低，且与全局最优解的差值较大，因此无法在生产实践中落地。
第 3 阶段为人工智能方法，例如遗传算法[12]、蚁群算法[13]、人工神经网络[14]、模糊逻辑[15]、禁忌搜索算法[16]、混沌搜索算法[17]、模拟退火算法[18]等。但随着人工智能技术的成熟发展，单一算法呈现出全局最优解精度较低等问题，基于此，融合多种算法进行算法优化成为学者的研究热点，如粒子群算法[19]、帝国竞争算法[20]等，其中也产生了基于 EA 的多目标进化算法，如 MOEA/D[21]、NAGA-II 等。已有多位学者在不同时期针对智能调度技术与方法进行综合性总结与展望。徐俊刚等[22]系统地阐述了生产调度方法及典型应用，指出当前实际生产调度存在的问题，并提出多种调度方法相结合的研究展望;张洁等[1]阐述了制造系统中的多类复杂调度问题以及调度方法与技术，并重点讲述了不同调度方法的云端化技术实现方式。
也有学者从文献计量角度进行智能调度等相关领域的研究，刘义川等[23]通过 Web of Science 数据库导出生产调度文献数据，利用 CiteSpace、SATI 以及 Unicent等分析软件进行生产调度文献的计量与可视化，同时开展预制构件生产调度文献研究;王婷等[24]以CNKI 和 Web of Science 中 2009 至 2019 年的相关文献为基础，运用 CiteSpace 绘制期刊、关键词和突现词的知识图谱，发掘智能调度领域未来的趋势;史进程等[2]运用 CiteSpace 可视化软件绘制物联网研究领域的共词网络、关键词时序图、文献互引网络等知识图谱，为物联网领域未来的理论推进提供方向性指导;管文玉等[25]基于 CiteSpace 实现了可视化知识图谱，对当前数字孪生研究的现状、趋势和热点进行了检视和分析。以上基于知识图谱的相关领域分析研究多围绕基础性质共现分析及时间线分析，并未深度解析该领域的引文空间信息。
综合以上国内外智能调度相关研究发现，大多学者从微观角度进行研究，聚焦智能调度垂直细分领域的算法创新与优化，仅局限于方法层面，不利于从宏观角度把握智能调度领域的发展现状及研究前沿。如今，已有学者以综述形式对智能调度问题及方法进行整体梳理与概括，但所提观点多为定性分析具有主观性和不确定性，缺乏客观数据支撑。虽然有少数学者运用文献计量工具通过知识图谱可视化表达方法分析与挖掘智能调度或其他领域的研究前沿与研究热点，但均处在多类别共现分析、时序图分析等基础性质分析阶段，且分析较零散，没有形成明确的分析路径。基于此，本研究从智能调度全局出发，进一步对前人综述研究进行深化和外延，运用可视化工具 CiteSpace 软件，呈结构化地对智能调度相关研究领域进行文献计量与知识图谱分析。本研究旨在达到以下目的：把握智能调度领域的学科演化性质、分析智能调度领域的研究热点、探索智能调度领域的重要集群性质、挖掘研究领域的重大突现、洞察研究领域的结构变异性，提出一种基于知识图谱的研究领域知识综述分析路径与方法。
1 研究方法及数据收集
1.1 研究方法
本文研究基于文献计量的综合分析思路运用科学知识图谱的可视化手段分析研究领域科学知识的结构、规律与分布。目前，可用于引文可视化分析的软件有 CiteSpace[26]、Vosviewer、Gephi、Pajek等。本文选用 CiteSpace 软件进行文献计量分析与知识图谱输出，此软件支持对国内外多个核心数据库的文献进行合作网络、共现分析、共被引分析、耦合分析、双图叠加分析。
CiteSpace 软件可支持的文献可视化分析类型较丰富，易造成分析结果分散且逻辑关联性弱的问题。因此，本文基于 CiteSpace 软件所提供的功能模块，以宏观-微观-宏观的形式呈结构化地对学科性质、研究热点、研究前沿、典型集群性质、结构变异性、合作支撑六个层面逐步对智能调度文献进行量化分析、知识图谱表达以及内容分析。本文所提的分析路径及方法有以下创新点：
(1)学科性质与研究热点是对研究目标领域的首要宏观分析。本文在传统学科领域分析之前引入科学地图分析，通过分析研究领域文献的期刊引证路径，快速获得该领域所属的重要学科性质以及学科之间的主要交互特性，解决了传统学科领域分析较分散、难收敛的问题。
(2)基于共被引网络聚类标签、突现性文献、时间线的研究前沿分析是宏观到微观的过渡，但大多数基于知识图谱的综述性文献并未进行下一步地深入挖掘[24,25]。本文创新性地将共被引网络第一大聚类集群的引文信息进行拓展，获取该集群中的重要施引文献、重要被引文献，并放大集群的时间线进行典型集群分析。该方法可准确地把握研究前沿的显著性质并获取更丰富的引文信息，使图谱分析落实到微观层面，一定程度上克服了传统研究前沿分析程度较浅且扁平的问题。
(3)国内相关知识图谱的综述性文章缺少对重要集群结构变异性的研究，本文关于作者对集群结构变异性的研究与分析有利于挖掘对集群衍生具有较大贡献度的作者和引文，提升了微观分析由浅到深的层次性。
此外，本文创造性地将聚类的模块化参数作为年份对集群结构变异性影响程度的主要判断依据，从变异性方面再次将分析视角过渡至宏观分析领域。本文提出“宏观-微观-宏观”呈结构化的文献计量分析思路与方法，延展了研究领域分析的层次性，增加了分析深度，并引入 CiteSpace 较新型的功能模块与创新思维丰富了分析架构，使知识图谱受众更准确地抓取研究领域关键的信息与趋势，更灵敏地获得研究热点与前沿。
1.2 数据收集
本文研究文献资料以 Web of Science 核心数据库为来源。为了收集的数据能够全面覆盖此领域的研究状况，本研究以主题词为检索方式，以 Web of Science 核心数据库为文献来源，以“IntelligentScheduling”和“Job Shop Scheduling”为关键词内容，检索 2012 年至 2021 年区间内的相关文献。通常在文献检索中，将由于查全率低所造成的拒真错误称为 I 类错误，将由于查准率低所造成的取伪错误称为 II 类错误。因此，本文剔除了论文、在线发表类别以外的相关文献，例如书籍、综述、会议等文献，共获取了 6686 篇有效文献，提高了文献检索的查准率。此外，通过创建引文路径的方式，对检索结果进行拓展，获取到此 6686 篇文献的施引文献，共计 50610 篇文献，提高了文献检索的查全率。
2 学科性质分析
2.1 科学地图分析
科学地图分析，又称双图叠加分析(Dual-Map Overlay)，由施引期刊地图和被引期刊地图组成，两个地图内容完全相同，均包含超过 10000 个科学引文索引收录期刊，并通过聚类得出多个领域术语标签。图中彩色圆点表征期刊，轨迹线表征期刊之间的索引关系。将文献数据集中所有文献的期刊引用轨迹进行表征后，通过聚合路径即可得到主要领域期刊的引用轨迹。基于 Dual-Map Overlay图谱，可将该研究领域的重要期刊分布与引用情况进行可视化，可以快速地把握研究领域的学科性质以及学科交互特性。
智能调度领域中期刊的主要引用轨迹(红色线)为施引期刊中的 I 类MATHEMATICS、SYSTEMS、MATHEMATICAL 至被引期刊中的 I 类：SYSTEMS、COMPUTING、COMPUTER。虽然其他类期刊也有一定的引用轨迹，例如紫色线、黄色线，但因轨迹较少没有形成聚合路径，因此不视为主要引用轨迹。通过 Dual-Map Overlay 图谱分析可知，MATHEMATICS、SYSTEMS、MATHEMATICAL、COMPUTING、COMPUTER 为研究智能调度领域相关问题的主要学科力量，解决智能调度问题的核心是系统科学理论，依据数学理论与计算机科学技术解决某系统的复杂调度问题。
2.2 学科领域分析
学科领域分析是预测某领域未来发展方向、技术布局的主要手段。基于 Web of Science 获取的智能调度文献数据集的学科领域分析知识图谱。为了直观地展示各学科领域的重要度，以学科的中心性为序，排名中心性为前 10 的主要学科。中心性是指中介中心性，中心性越高，表明该因素节点越关键，并将中心性≥0.1 的因素节点称为关键节点。
学科领域分析知识图谱与关键节点排序分析可知：数学和计算机科学是智能调度领域的理论基础，其中计算机科学及其细分领域的发展，如人工智能、云计算、数字孪生、跨学科应用等，将影响智能调度领域核心算法的技术变革。工程学和物理科学是智能调度领域的技术支撑，智能调度技术的应用场景集中于车间工厂、制造系统中，需要工程学等其他学科的发展将助力前沿智能技术的落地与实现。商学与管理学是智能调度领域的优化依据，智能调度技术的不断发展同时标志着产品生产周期管理结构与配置的优化升级，必将促使产业效益的逐步提升。从分析结果来看，双图叠加分析与学科领域分析两个知识图谱表达的信息一致，学科领域分析更侧重学科细分领域的分析，双图叠加分析更侧重体现学科之间的主要交互特性。
3 研究热点分析
本文将基于关键词的共现分析与聚类分析知识图谱解析智能调度领域的研究热点。文献数据集来源为 2012 年至 2021 年 Web of Science 核心数据库，为了更加准确地提取核心关键词，本文选择最小生成树算法进行关键词共现分析，以消除不重要的枝节网络。在共现分析网络图谱中，节点圆圈的边缘厚度表征关键词出现的数量，大小表征出现的频次;连线表征两个关键词出现在同一篇文章中，连线颜色的冷暖表征关键词联系出现的时间，连线的粗细表征联系出现的频次。关键词分析是文献计量法中的关键步骤，它凝练了文章最核心的内容，也最能体现该领域的研究热点。但关键词共现分析所表征的信息较零散，无法直接作为研究热点的支持数据。因此，需要将关键词共现网络进行聚类，得出关键词的重要集群，关键词的重要集群标签即为该领域的研究热点。
智能调度领域的关键词聚类网络图谱该网络得出 9 个重要集群，分别为 machinelearning(机器学习)、algorithm(算法)、flexible job shop scheduling problem(柔性作业车间调度问题)、internet of things(物联网)、wireless sensor networks(无线传感器网络)、smart grids(智能电网)、、energy-efficient scheduling(节能调度)、differention flow shop(差异化流水车间)、edge computing(边缘计算)。
这 9 个集群代表智能调度领域的研究热点。而关键词共现网络中频次较高的关键词有genetic algorithm(遗传算法)、algorithm(算法)、optimization(优化)、makespan(完工时间)、manufacturing system(制造系统)、tabu search(禁忌搜索)、particle swarm optimization(粒子群优化)、heuristics(启发式)、local search(本地搜索)、flexible job shop(柔性作业车间)等。
(1)机器学习和算法作为较大集群反映出智能调度领域研究的核心为人工智能，人工智能技术的发展推动了智能调度效率的提升，如关键词中的遗传算法、禁忌搜索算法、粒子群优化算法等算法优化是智能调度研究领域需要不断攻克的难点。机器学习是计算机科学、心理学、认识科学等学科交叉形成综合型领域，因此以跨学科研究的形式进行智能调度领域的研究也是未来发展方向。(2)物联网和无线传感网络作为重要集群反映出智能调度是在物联网时代趋势下顺应而生的产物。物联网的定义为 RFID 和其他传感器组成的全球标准网络，无限传感网络的构建与分布分配方式是物联网发展的基础技术。物联网技术是智能制造的物质基础，而智能调度技术是智能制造系统运行的主要驱动力。(3)柔性作业车间调度、节能调度、智能电网作为重要集群反映出智能调度的细分应用领域正在不断增加。随着人工智能技术的逐渐成熟，更多学者对智能调度在制造系统中的应用领域或应用情境不断细分，针对性地提出具体领域调度更加契合的解决方法，提高制造系统的调度效能，弥补智能调度应用领域的研究空缺。
4 研究前沿分析
4.1 共被引网络聚类分析
共被引网络分析是 CiteSpace 软件的核心功能，通过构建研究领域文献的引用网络，从时间的横向维度探索该领域的研究发展脉络。共被引聚类分析是此功能的基础，可通过文献的引用关系得出不同时间段的研究热点，色块的冷暖表征不同时间段的研究热点，颜色越冷表征引文较久远，颜色越暖表征引文较临近。带有红色树状结构的节点是突发性的引用文献。以 Web of science 核心数据库中 2012 年至 2021 年的文献为基础，智能调度领域的共被引网络聚类图谱。聚类后的网络模块度 Modularity Q=0.7006，模块度大于 0.3 表征聚类网络性能较好;且每个聚类集群的轮廓值Silhouette>0.773，说明聚类集群均为大型集群，聚类效度较高。每个聚类集群的频次、轮廓值、标签、平均年份、持续度如表 3 所示。由表分析可知#0 柔性作业车间调度问题、#1 能耗、#2 混合流水车间、#3 异构工厂是文献共被引网络的主要集群。
4.2 突现性文献分析
研究领域中的里程碑式文献可运用 Burstness 图谱进行挖掘。该知识图谱用于解读具有强烈爆发性的被引文献，此文献常常标志着研究领域新技术的产生，因此具有一定的突现性，突现性由强度值决定。爆发文献的突现性具有时间特性，由 Burstness 图谱可挖掘爆发文献的兴起时间与消隐时间，获取前沿研究热点的兴起时段。智能调度领域按突现性排序的前 42 篇爆发文献。例如，该研究领域 2013 年的里程碑论文 Chiang TC[27]提出一种简单有效的利用遗传算子寻找 Pareto 最优解集的方法用于柔性作业车间调度问题中，该论文标志着此时间阶段的研究热点以智能调度算法技术优化为主;2014 年的关键性论文 Shrouf F[28]提出了一种机器级能耗成本最小化地生产调度最小化模型，表征该时间阶段相关研究逐渐以实现技术落地为目标，考虑实际需求及约束的智能调度技术研究逐渐兴起;2018 年的里程碑论文 Wu XL[29]提出了一种用于解决柔性作业车间智能调度问题的绿色调度启发式算法，表征该时间阶段的研究热点以解决实际调度问题中的细分情境为核心，逐渐追求高效、精准、专业化的调度理念。
4.3 时间线分析
时间线分析图谱可以直观地分析共被引聚类集群的时间特性，有助于挖掘研究前沿热点。聚类集群按照大小垂直排列，彩色曲线表征文献引用轨迹，曲线颜色偏冷说明研究年份较久远，偏暖说明研究年份较临近。每个集群的引用轨迹依据时间轴排列，红色树状结构的节点表征此文献为高度被引或高度施引的突现性文献。智能调度领域的共被引网络时间线图谱。#0 柔性作业车间调度问题、#1 能耗两大集群虽然从 2012 年开始发展，但历经 10 年仍保持活跃，依然是目前研究的热点，但第三集群#2 混合流水车间至 2012 年就已经几乎停止发展，第四集群#3 异构工厂虽然突现性强度较低，但目前仍然有发展的趋势。
5 典型集群分析
共被引网络进行聚类后获得 14 个主要集群，其中包括 10 个主要集群，代表智能调度领域的主要研究热点。对典型集群进行深度分析，有助于整体把握该领域的研究方向与趋势。本文将对智能调度领域第一大集群的重要文献进行深度挖掘。#0 柔性作业车间调度问题是该领域的最大聚类集群，在 2012 至 2021 年间包含 1113 篇文献。该集群所有文献的中位年份为 2016 年，但20 篇最具代表性的引用文献中位年份为 2015 年。该集群的轮廓值为 0.773，是主要集群中最低值，是一个相对较高的同质性水平。将图 8 时间线图谱中#0 集群的分支进行提取后，可将时间线支线分为三个阶段。分阶段的详解如下：
(1)第一个时期为 2010 至 2012 年。这一时期的时间轴相对比较平静，没有特别热点的突发性文献。相对较为热点的文献包括两个方向：单一智能算法的技术优化以及智能算法综述。在智能算法技术优化研究方面，Hildebrandt T 和 Al-Hinai N 优化了遗传算法体系结构用于解决柔性作业车间调度问题(FJSP);Karimi H 将知识模块引入可变邻域搜索算法中，提高了搜索过程的效率。在智能算法综述研究方面，Demir Y 对柔性作业车间调度问题(FJSP)的智能算法进行了全面的综述，并提出了 FJSP 的时间索引模型的评估模型。
(2)第二个时期为 2013 至 2018 年。从引文轨迹和红色爆发频率来看，第二阶段充满了高影响力的文献。此阶段的突发性文献均为混合智能技术研究，实现了从第一阶段对单一算法的升级优化到第二阶段的混合算法优化。Shao XY 提出了一种混合离散粒子群优化(DPSO)和模拟退火(SA)算法来查找 FJSP 的帕累托前沿近似解;Jia S 在禁忌搜索算法的基础上，提出了一种基于反向跳跃跟踪的路径重链接算法;Gao KZ 提出了一种基于 Pareto 的分组离散协调搜索算法(PGDHS);YuanY 将一种新的局部搜索算法引入到改进的 NSGA-II 中，开发了一种新的模因算法(MAs);LI XY 提出了一种将遗传算法(GA)和禁忌搜索算法(TS)结合的有效混合 HA 算法;Jamrus T 提出了一种将粒子群优化算法与 Cauchy 分布和遗传算子相结合的混合方法 HPSO+GA。
此外，Gao KZ 研究了具有新作业插入的柔性作业车间调度问题，提升了车间智能调度的灵活性与动态变化性，预示了第三阶段的研究浪潮。(3)第三个时期为 2019 至今。主要的热点文献围绕考虑特殊状况的调度系统构建技术，解决不同类型车间、不同时间阶段、不同调度目的下的智能调度问题。Gao KZ[30]提出了 DJaya 算法解决新作业插入的柔性作业车间重调度问题(FJRP);Zhang SC[31]提出了一个分布式蚁群系统来解决具有两个相邻工作区的柔性制造系统中的生产调度问题;Gong GL[32]提出了一种混合进化算法(HEA)来求解所提出的具有工人灵活性的节能 FFSP。
共被引网络是由施引文献与被引文献的连接路径构成的。重要被引文献的研究内容可抽象为领域内部，旨在研究该领域的基础概念和技术方法，是该领域的知识基础。重要施引文献的研究内容可抽象为领域外部，主要对该领域的研究对象或应用领域进行深入研究，是该领域知识基础相关的研究前沿。大多文献研究多为智能算法的优化方法及技术，如基于反向跳跃跟踪的路径重链接算法、模因算法(MAs)、Pareto 的分组离散协调搜索算法等等，均围绕实现智能调度的方法或技术，文献关键术语也偏向领域内部术语。
6 结构变异性分析
6.1 作者的结构变异性
共被引网络的聚类分析图谱有助于分析该领域的主要研究方向，而链接多个主要集群的重要文献及作者是影响整个网络结构变异性的关键因子。文献及作者对网络变异性的影响越大，说明该作者是某个或某些集群产生的主要源头，他将原本不关联的两个或多个研究领域之间搭建了新的链接关系。基于 CiteSpace 软件的结构变异性分析功能，可获得每篇文献对网络结构变异性的影响值以及每篇文献的引用轨迹。通过分析结构变异性影响值较大的高产或关键作者文献的引用轨迹，可以洞察该领域主要研究方向的演变路径以及高影响力研究人员为该领域作出的贡献。
以 Web of science 核心数据库中 2012 年至 2021 年的文献为基础，研究智能调度领域中的高影响力文献及作者。首先，将 CiteSpace 软件中的运行参数 LBY 与 LRF 设置为-1，表征寻找所有文献的所有引用轨迹。然后，构建文献共被引网络聚类图谱，网络模块度 Modularity Q=0.8935，说明聚类网络性能较好。该聚类图谱为文献的所有引用轨迹，更适合分析网络的结构变异性，洞察具有潜在变革性的文献及作者。
文献及作者的结构变异值越大，说明该文献的作者对所链接集群的贡献越大。结构变异性值排序第一的文献作者是 Baykasoglu A(∆Modularity=98.92)，是几篇具有开创性的论文作者，其文献引用轨迹链接了集群#0 车间调度、#3 流水车间调度、#11 离散作业排列三个主要集群。结构变异性值排序第三的文献作者是 Li M(∆Modularity=98.43)，也是一位高影响力作者，其文献引用轨迹链接了集群#2 柔性车间调度问题、#7 批处理器模式、#9 分布式柔性作业车间实时调度 ( dfjs-rs )、 #12 能 源 消 耗 四 个 集 群 。 结 构 变 异 性 值 排 序 第 四 的 文 献 作 者 是 Zhao F(∆Modularity=98.33)，是多个领域的研究开创者，其文献引用轨迹链接了集群#0 车间调度、#1 最小中值法则、#3 流水车间调度、#11 离散作业排列、#13 机群五个集群。结构变异性值排序第六的文献作者是 Nguyen Su(∆Modularity=98.27)，是一位高产作者，其文献引用轨迹链接了集群#0 车间调度、#6 解码方法、#8 极限工作模式、#13 机群四个集群。
7 合作与支撑的网络分析
7.1 基金资助信息分析
基金支持是科学研究的资本保障，是每位研究人员在学术研究中重要的项目支撑。因此，研究国内外该领域的基金分布情况，能分析该领域的科研水平和技术分布。以 Web of science 核心数据库中 2012 年至 2021 年的文献为基础，对智能调度领域的基金资助信息进行可视化表达，依据频次对前 10 项基金进行排序。
(1)从资助频次与中心度两项数据来看，中国国家自然科学基金均保持最高位。此基金在我国科学研究规划、学科建设中占重要地位，因此表明我国对智能调度领域的科学研究具有战略重视，投资力度较大。
(2)除去国家自然基金科学基金相关资助，国家重点研发专项也是我国智能调度领域的重要基金来源。为落实《中国制造 2025》和《国务院关于积极推进“互联网+”行动的指导意见》等顶层文件提出的要求，国家重点研发计划“网络协同制造和智能工厂”重点专项从基础研究、共性关键技术、系统与平台、应用示范四个方面全方位对智能制造系统中的相关研究提供项目支持。智能调度相关研究是此国家重点研发专项中的关键课题。
(3)我国智能调度领域的基金资助在基金数量与水平上均已世界领先。欧美日等国家虽然在智能调度的前沿技术上有先发优势，但从基金分布较零散，没有形成集中力量支持。对于基金资助而言，呈体系化集中化的基金资助模式更能促使该研究领域在合理技术布局的情况下稳步快速发展。
8 结束语
本文基于 CiteSpace 软件运用文献计量方法对 Web of science 核心数据库中过去十年智能调度领域的相关文献以宏观-微观-宏观的形式呈结构化地进行知识图谱的输出与分析，主要对智能调度领域的学科演化性质、研究热点、研究前沿、重要集群性质、结构变异性、主要合作与支撑关系的相关图谱进行了剖析与解读，对智能调度领域的未来研究方向提出以下建议：
(1)智能调度领域的学科性质为计算机科学与数学学科相辅相成共同解决系统科学中智能调度的复杂问题。人工智能、云计算、数字孪生等新兴计算机科学技术与智能调度领域已经深度交融，成为解决智能调度问题的智力库和技术支撑。智能调度领域应增加跨学科应用与合作的广度与深度。与工程学、计算机科学等学科前沿技术的交叉融合是快速发展智能调度相关研究的重要途径。
(2)机器学习与智能算法、物联网、柔性作业车间调度、节能调度[33]等研究方向是智能调度领域近十年的研究热点。人工智能算法在智能调度领域的适应性研究是智力基础，例如遗传算法、禁忌搜索算法、粒子群算法、蚁群算法、混沌搜索算法、人工神经网络、模拟退火算法、帝国竞争算法等及其优化算法、混合算法的相关技术研究。物联网技术在智能调度领域的应用性研究是硬件支撑，例如无线传感网络、RFID、云计算、5G 等运算储存技术与传感技术相关研究。柔性作业车间调度、节能调度、动态调度、分布式协同调度、实时调度等是基于实际产业情境的细分垂类调度相关问题研究，是健全智能调度领域技术布局与提升应用适配度的关键性研究。
(3)柔性作业车间重调度、节能调度、异构分布式协同调度系统、新型群智能优化算法等研究方式是智能调度领域的研究前沿。面向传统车间或其他系统的相关技术与方法已经成熟，但当智能调度技术真正介入实际系统时会产生许多新问题，而且在绿色生产、智能工厂等新系统模式的驱动下，必须进行考虑实际系统运行机制和新产业模式的智能调度相关技术研究。例如解决新作业插入的柔性作业车间重调度问题(FJRP)需要着重关注车间智能调度的灵活性和动态性;考虑能耗的绿色调度、节能调度相关研究应聚焦减少能耗的约束调度技术;考虑异构分布式环境下动态调度的相关研究需基于云服务平台将异构数据、应用、信息整合，利用协同智能算法实现调度;等等。不断更新的调度问题对智能算法灵活性、鲁棒性、自组织性的要求都有所提升。新型群智能算法是未来智能调度技术的研究方向，此类算法具有全局搜索能力强、求解速度快的优势。例如菌群优化算法、鸽群算法、果蝇优化算法、混合蛙跳智能算法、萤火虫算法等等。
(4)从基金资助支持和重点研究机构数据可以看出，我国在智能调度领域的研究广度具有一定领先性。基金支持力度与研究机构覆盖度表明我国智能调度领域的综合研究实力处于先进水平。但还需要加强该领域的研究深度与前瞻度，努力提高对该领域研究网络结构变异性的影响力。
参考文献：
[1] ZHANG Jie, QIN Wei. Intelligent manufacturing scheduling first—a guide of manufacturing systemintelligent scheduling method and cloud service[J]. China Journal of Mechanical Engineering, 2019,30(8): 1002-1007 (in Chinese). [张 洁，秦 威. 智能制造调度为先——《制造系统智能调度方法与云服务》导读[J].中国机械工程, 2019, 30(8): 1002-1007.]
[2] SHI Jincheng, GUO Hongfei, ZHANG Ru, et al. Bibliometric analysis of Internet of things usingknowledge mapping[J]. Computer Integrated Manufacturing Systems, 2021, 27(1): 228-239 (inChinese). [史进程, 郭洪飞, 张 儒, 等. 基于知识图谱的物联网研究文献计量分析[J].计算机集成制造系统, 2021, 27(1): 228-239.]
[3] LV Youlong, ZHANG Jie. Big-data-based technical framework of smart factory[J]. ComputerIntegrated Manufacturing Systems, 2016, 22(11): 2691-2697 (in Chinese). [吕佑龙, 张 洁. 基于大数据的智慧工厂技术框架[J].计算机集成制造系统, 2016, 22(11): 2691-2697.]
[4] WANG J, ZHANG J. Big data analytics for forecasting cycle time in semiconductor wafer fabricationsystem[J]. International Journal of Production Research, 2016, 54(23): 7231-7244.
[5] LV Haili, ZHU Jiatao, WANG Zhengguo, et al. Research on just-in-time scheduling of assembly jobshop[J]. Journal of Mechanical Engineering, 2021, 57(5): 157-165 (in Chinese). [吕海利, 朱家涛, 王正国, 等. 装配作业车间的 JIT 调度研究[J].机械工程学报, 2021, 57(5): 157-165.]
[6] ZHANG M., TAO F., Nee A.Y.C. Digital twin enhanced dynamic job-shop scheduling[J]. Journal ofManufacturing Systems, 2021, 58: 146-156.
作者：乔一丹，陈登凯，王晗宇，谢 凝
您身边的学术科研指导顾问，帮您解决论文、出书、专利难题。
